Learn Vectorized Thinking in Python Through Examples

Python 3.15 Preview: Sampling Profiler Quiz – Real Python

Python 3.15 preview đưa ra một sampling profiler mới được tích hợp vào bản phát hành để hỗ trợ đo lường hiệu suất mà không cần thay đổi mã. Profiler hoạt động ở hai chế độ – CPU (lấy mẫu dựa trên thời gian CPU thực) và GIL (lấy mẫu khi luồng giữ GIL), cho phép chọn mức độ chi tiết tùy thuộc vào workload đa luồng hoặc đơn luồng. Người dùng có thể tạo flame graphs và heatmaps trực tiếp từ dữ liệu lấy mẫu, đồng thời có thể đính kèm profiler vào một tiến trình đang chạy để phân tích vấn đề hiệu suất thực tế mà không cần khởi động lại. Việc hiểu sự khác biệt giữa hai chế độ lấy mẫu giúp lập trình viên chọn công cụ phù hợp – CPU mode cho phân tích tổng thời gian thực thi, GIL mode để xác định điểm cạnh tranh về lock trong các ứng dụng đa luồng. Kết hợp với khả năng xuất dữ liệu định dạng phổ biến như Speedscope hoặc perfetto, sampling profiler này trở thành một công cụ nhanh chóng, ít can thiệp để tối ưu hoá mã Python 3.15.

Bài viết này giúp lập trình viên nắm vững công cụ profiling mới trong Python 3.15 để tối ưu hóa hiệu năng ứng dụng.

How PHP optimises bytecode

OPcache trong PHP thường được gọi là cache nhưng thực tế nó không chỉ lưu trữ bytecode mà còn thực hiện chuỗi tối ưu hoá. Khi PHP biên dịch script, OPcache chèn mười lăm bước xử lý (passes) giữa trình biên dịch và trình thực thi để xây dựng lại bytecode. Những bước này bao gồm việc loại bỏ mã không dùng, gộp hằng số, tối ưu hoá vòng lặp và tái cấu trúc cây cú pháp. Nghiên cứu đo lường cho thấy chỉ một phần nhỏ bytecode sau các passes này còn sống sót vào thời gian chạy, phần lớn được thay đổi hoặc loại bỏ. Bài học là để hiểu hiệu suất PHP thực sự cần quan tâm đến các pass tối ưu hoá của OPcache chứ không chỉ dựa vào việc cache bytecode.

Để hiểu sâu hơn cách PHP tối ưu hoá bytecode và lợi ích thực tế của OPcache trong triển khai ứng dụng.

Fast and Hard Code

LLM đang thay đổi cách lập trình viên chọn ngôn ngữ khi viết code, vì chúng tạo ra đoạn mã …

A deep dive into Nurb

Nurb được thiết kế để biến một agent viết mã thành đối tác CAD thực tế, cho phép các nhà …

#493: CalVer and LTS

Các dự án Python đang thảo luận về việc chuyển từ SemVer sang CalVer – phiên bản dựa trên năm và tháng (ví dụ 2024.09) để làm cho chu kỳ phát hành trở nên dễ dự đoán hơn. Nguyên nhân kỹ thuật là nhóm phát triển muốn giảm sự nhầm lẫn khi người dùng cần biết bản bản nào mới nhất và khi nào sẽ hết hạn hỗ trợ. Hậu quả của việc áp dụng CalVer kèm LTS (Long Term Support) là các bản bản được đánh dấu sẽ nhận bảo trì bảo mật và sửa lỗi trong một khoảng thời gian dài, thường là ba năm, giúp các doanh nghiệp lên kế hoạch nâng cấp mà không lo ngại về sự thay đổi đột ngột. Điều đáng học là trước khi przyję CalVer, nhóm cần đánh giá tần suất phát hành thực tế của mình và xác định mức độ cam kết hỗ trợ LTS phù hợp với tài nguyên có sẵn. Nếu dự án của bạn không có đủ lực lượng để duy trì các bản LTS dài hạn, việc giữ SemVer có thể vẫn là lựa chọn an toàn hơn.

Bài viết này giúp lập trình viên hiểu rõ hơn về CalVer và LTS - hai khái niệm quan trọng trong quản lý phiên bản phần mềm.

Quantization-Aware Healing: a compressed, 4-bit model that outperforms its full-precision original

Bài viết giới thiệu phương pháp Quantization‑Aware Healing (QAH) được phát triển bởi Multiverse Computing để nén mô hình ngôn ngữ lớn xuống 4‑bit mà không làm giảm hiệu suất. QAH kết hợp quantization‑aware training với một bước healing sau huấn luyện, trong đó một mạng phụ nhỏ được học để bù lại sai số lượng tử hóa gây ra. Kết quả cho thấy mô hình 4‑bit sau healing đạt được mức perplexity tương đương, và trong một số trường hợp thậm chí tốt hơn so với phiên bản full‑precision (32‑bit) ban đầu. Việc này đồng thời giảm kích thước bộ nhớ cần thiết xuống khoảng 1⁄8 (≈87,5%) và tăng tốc độ suy luận trên phần cứng hỗ trợ tính toán nguyên số. Điều đáng học là việc đầu tư vào quá trình healing có thể bù lại phần lớn tổn thất từ quantization, cho phép triển khai mô hình mạnh mẽ trên môi trường tài nguyên hạn chế mà không hy sinh chất lượng.

Bài viết này giúp lập trình viên hiểu cách tạo mô hình lượng hóa 4-bit hiệu suất hơn cả mô hình full-precision gốc.

High-Frequency Real-Time Data in React: From Ring Buffers to OffscreenCanvas

React xử lý hàng nghìn điểm dữ liệu mỗi giây không hiệu quả, từ ring buffers đến OffscreenCanvas cần được tối ưu hóa.

Bài này hướng dẫn bạn xử lý dữ liệu thời gian thực tần suất cao trong React bằng kỹ thuật tối ưu hóa hiệu suất như Ring Buffer và OffscreenCanvas.

Doltgres is as Fast as MySQL is Slow

Doltgres đã đạt hiệu suất tương đương MySQL nhờ những tối ưu hóa gần đây.

Lập trình viên muốn tối ưu ứng dụng database cho hiệu suất cao và khả năng mở rộng nhanh chóng nên đọc bài này để khám phá cách Doltgres vượt trội so với MySQL trong các trường hợp sử dụng thực tế.